Development and Implementation of Real World Scale Artificial Evolutionary Algorithms

令和４年度においては、高性能かつスケーラブルなリンケージ同定アルゴリズムによる進化計算アルゴリズムの開発ならびに評価に加えて、その多目的最適化問題への展開について研究を行った。高性能かつスケーラブルなリンケージ同定として、分解問題を組合せ最適化問題とみなして実変数GAの非線形性チェックによるリンケージ同定（LINC-R）に基づくリンケージ測定関数（Linkage Measurement Function, LMF）を提案し、その結果を用いた距離ベース選択付き修正微分進化 (Modified Differential Evolution with Distance-based Selection, MDE-DS)を開発することで、目的関数にノイズがある場合でも最適化を加速できた。また、大規模多目的問題のための協調共進化に基づく変数グルーピング法(Linkage Measurement Minimization, LMM)を提案し、推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIとして実装した。部分問題の最適化において、パレート・フロントの周辺にはより良い解が存在する確率が高いという仮説を立て、この仮説に基づき最適化の各世代で収束点を推定し収束点付近でガウスサンプリングを行うことで、一般的な変数グループ化手法よりも優れていることが確かめられた。さらに、依存関係行列による手法 (Dependency Structure Matrix with Linkage Identification, DSM-LI) を開発した。最新の差分進化の手法はノイズに敏感であるが、ノイズのある環境でも分離可能な決定変数と分離不可能な決定変数の間の強度に差があることが多く、この相対的な差を分離可能性を分類するのに役立てることでよりノイズに強い手法を開発することができた。

令和４年度においては、高性能かつスケーラブルなリンケージ同定アルゴリズムによる進化計算アルゴリズムの開発ならびに評価に加えて、その多目的最適化問題への展開について研究を行った。高性能かつスケーラブルなリンケージ同定として、分解問題を組合せ最適化問題とみなして実変数GAの非線形性チェックによるリンケージ同定（LINC-R）に基づくリンケージ測定関数（Linkage Measurement Function, LMF）を提案し、その結果を用いた距離ベース選択付き修正微分進化 (Modified Differential Evolution with Distance-based Selection, MDE-DS)を開発することで、目的関数にノイズがある場合でも最適化を加速できた。また、大規模多目的問題のための協調共進化に基づく変数グルーピング法(Linkage Measurement Minimization, LMM)を提案し、推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIとして実装した。部分問題の最適化において、パレート・フロントの周辺にはより良い解が存在する確率が高いという仮説を立て、この仮説に基づき最適化の各世代で収束点を推定し収束点付近でガウスサンプリングを行うことで、一般的な変数グループ化手法よりも優れていることが確かめられた。さらに、依存関係行列による手法 (Dependency Structure Matrix with Linkage Identification, DSM-LI) を開発した。最新の差分進化の手法はノイズに敏感であるが、ノイズのある環境でも分離可能な決定変数と分離不可能な決定変数の間の強度に差があることが多く、この相対的な差を分離可能性を分類するのに役立てることでよりノイズに強い手法を開発することができた。